添加链接

SUMMARY.md

-+   [第1章_基础知识](docs/ml/1.机器学习基础.md)
-+   [第2章_K近邻算法](docs/ml/2.k-近邻算法.md)
-+   [第3章_决策树算法](docs/ml/3.决策树.md)
-+   [第4章_朴素贝叶斯](docs/ml/4.朴素贝叶斯.md)
-+   [第5章_逻辑回归](docs/ml/5.Logistic回归.md)
-+   [第6章_支持向量机](docs/ml/6.支持向量机.md)
-    +   [支持向量机的几个通俗理解](docs/ml/6.1.支持向量机的几个通俗理解.md)
-+   [第7章_集成方法](docs/ml/7.集成方法-随机森林和AdaBoost.md)
-+   [第8章_回归](docs/ml/8.回归.md)
-+   [第9章_树回归](docs/ml/9.树回归.md)
-+   [第10章_KMeans聚类](docs/ml/10.k-means聚类.md)
-+   [第11章_Apriori算法](docs/ml/11.使用Apriori算法进行关联分析.md)
-+   [第12章_FP-growth算法](docs/ml/12.使用FP-growth算法来高效发现频繁项集.md)
-+   [第13章_PCA降维](docs/ml/13.利用PCA来简化数据.md)
-+   [第14章_SVD简化数据](docs/ml/14.利用SVD简化数据.md)
-+   [第15章_大数据与MapReduce](docs/ml/15.大数据与MapReduce.md)
-+   [第16章_推荐系统](docs/ml/16.推荐系统.md)
-+   [为何录制教学版视频](docs/why-to-record-study-ml-video.md)
-+   [2017-04-08_第一期的总结](report/2017-04-08_第一期的总结.md)
+
++ [入门须知](README.md)
++ 机器学习
+    + [第1章_基础知识](docs/ml/1.机器学习基础.md)
+    + [第2章_K近邻算法](docs/ml/2.k-近邻算法.md)
+    + [第3章_决策树算法](docs/ml/3.决策树.md)
+    + [第4章_朴素贝叶斯](docs/ml/4.朴素贝叶斯.md)
+    + [第5章_逻辑回归](docs/ml/5.Logistic回归.md)
+    + [第6章_支持向量机](docs/ml/6.支持向量机.md)
+    + [第7章_集成方法](docs/ml/7.集成方法-随机森林和AdaBoost.md)
+    + [第8章_回归](docs/ml/8.回归.md)
+    + [第9章_树回归](docs/ml/9.树回归.md)
+    + [第10章_KMeans聚类](docs/ml/10.k-means聚类.md)
+    + [第11章_Apriori算法](docs/ml/11.使用Apriori算法进行关联分析.md)
+    + [第12章_FP-growth算法](docs/ml/12.使用FP-growth算法来高效发现频繁项集.md)
+    + [第13章_PCA降维](docs/ml/13.利用PCA来简化数据.md)
+    + [第14章_SVD简化数据](docs/ml/14.利用SVD简化数据.md)
+    + [第15章_大数据与MapReduce](docs/ml/15.大数据与MapReduce.md)
+    + [第16章_推荐系统](docs/ml/16.推荐系统.md)
+    + [为何录制教学版视频](docs/why-to-record-study-ml-video.md)
+    + [2017-04-08_第一期的总结](report/2017-04-08_第一期的总结.md)
++ 自然语言处理
+    + [第1章_自然语言处理入门介绍](docs/nlp/1.自然语言处理入门介绍.md)
+    + [第2章_自然语言处理入门介绍](docs/nlp/3.1.篇章分析-内容概述.md)
+    + [第3章_自然语言处理入门介绍](docs/nlp/3.2.篇章分析-内容概述.md)
+    + [第4章_自然语言处理入门介绍](docs/nlp/3.3.篇章分析-内容概述.md)
+    + [第5章_自然语言处理入门介绍](docs/nlp/3.4.篇章分析-内容概述.md)
+

docs/nlp/1.自然语言处理入门介绍.md

@@ -85,3 +85,13 @@
 * 向量化表示: 车头如何防止车牌(0.1222, 0.22333, .. )
 * 相似度计算: 前牌照怎么装(0.762)     如何办理北京牌照(0.486)
 * 向量化表示: (-0.333, 0.1223 .. )   (0.333， 0.3333, .. )
+
+### 案例6(机器翻译)
+
+**机器翻译技术(Machine Translating)**: 基于互联网大数据，融合深度神经网络、统计、规则多种翻译方法，帮助用户跨越语言鸿沟，与世界自由沟通
+
+例如: 
+
+* 今天我很高兴
+* I am very happy today
+* 讲中文编码，然后得到编码值，再去和正确编码值比较并优化